Query Fan-Out nella ricerca AI: retrieval, SEO e misurazione

Il query fan-out diventerà l’ennesima checklist editoriale

Il rischio è trasformare un processo di retrieval che non possiamo osservare in un foglio pieno di nuove pagine da produrre. È un copione già visto: un concetto tecnico utile diventa un’etichetta, l’etichetta diventa l’output di un tool e quell’output finisce direttamente nel piano editoriale.

È la conclusione sbagliata. Il query fan-out conta perché una risposta AI può essere costruita attraverso più eventi di recupero, ciascuno con un bisogno informativo diverso. Non ne consegue che ogni sotto-query simulata meriti una URL, un H2 o anche solo un paragrafo.

Google descrive il fan-out come l’esecuzione simultanea di più ricerche correlate, distribuite tra sottoargomenti e fonti di dati. Per analizzarlo adottiamo un modello operativo più ampio: interpretazione del compito, generazione delle query di retrieval, raccolta dei candidati, fusione e reranking, selezione delle evidenze, composizione della risposta e attribuzione delle citazioni.

Google ha confermato parti di questo processo, compreso l’uso della retrieval-augmented generation e dei sistemi centrali di Search. Non ha reso pubblici il planner, il numero di query, i pool di candidati o le regole di citazione. Chi presenta un fan-out ricostruito come la traccia effettiva di Google sta vendendo una certezza che non possiede.

Non chiamiamo “fan-out” ogni variante di query

Una riscrittura esprime quasi lo stesso bisogno in una forma diversa. L’espansione aggiunge termini, concetti o entità. La decomposizione divide un compito complesso in parti risolvibili. Il retrieval multi-query combina più insiemi di candidati. Il retrieval iterativo genera una query successiva a partire da ciò che è emerso nel passaggio precedente.

Questi meccanismi possono coesistere, ma non sono intercambiabili. Una riscrittura può premiare la pagina che esprime meglio lo stesso concetto. Un ramo di decomposizione può recuperare una fonte specialistica che non prende mai di mira la query principale. Un ramo iterativo potrebbe non esistere finché il sistema non incontra un’entità, una dipendenza o una contraddizione.

Uno studio ACL del 2025 su decomposizione e reranking chiarisce bene il compromesso: la decomposizione può ampliare la copertura delle evidenze, mentre il reranking serve a eliminare il rumore che produce. Scomporre una domanda già precisa può perfino peggiorare il retrieval. Più rami non significa automaticamente più intelligenza.

L’unità utile è il bisogno di evidenza

“Coprire l’argomento in modo completo” è un’indicazione troppo vaga. Una risposta può usare una fonte per una definizione, una seconda per un benchmark e una terza per un limite. L’unità di progettazione utile è il bisogno di evidenza: un’affermazione o un input decisionale che possa essere recuperato, valutato e usato.

Qui tracciamo una linea più severa rispetto a molta divulgazione sul fan-out. Non si crea una pagina perché un modello ha prodotto una sotto-query plausibile. Si crea o si migliora una risorsa quando il bisogno è stabile, materialmente distinto e merita un proprietario. Negli altri casi si rafforza la pagina owner esistente, si cita una fonte primaria o si accetta che il sito non abbia alcun titolo per rispondere.

La nostra regola di produzione è semplice: una mappa fan-out può suggerire una ricerca, ma non può autorizzare un contenuto. Domanda reale, domande dei clienti, prove commerciali, information gain e rischio di sovrapporre gli intent owner continuano a decidere cosa viene pubblicato.

Un caso pratico: dove sbagliano quasi tutte le mappe fan-out

Prendiamo questa domanda: come dovrebbe scegliere un retailer europeo un’agenzia SEO internazionale per una migrazione ecommerce multilingua? Una decomposizione plausibile comprende criteri di selezione dell’agenzia, architettura hreflang, rischi di migrazione, flussi di localizzazione, domanda nei mercati locali, reporting e costi.

Un piano ingenuo trasforma quei rami in sette articoli. Un piano difendibile domanda quale evidenza richieda ciascun ramo:

• Selezione dell’agenzia e reporting appartengono alla pagina commerciale owner, perché servono alla stessa decisione.
• Implementazione hreflang e controlli di migrazione possono meritare guide specialistiche, se il sito è in grado di aggiungere profondità tecnica.
• Domanda regionale richiede dati di mercato aggiornati, non un altro articolo generico.
• Costi possono stare nella pagina commerciale, in una metodologia di pricing oppure da nessuna parte, se non esiste una forchetta sostenibile.
• Workflow di localizzazione va spiegato soltanto se l’agenzia può descrivere un processo che usa davvero.

Il risultato non è una “copertura del fan-out”. È un’architettura delle evidenze: un solo intent owner, poche risorse di supporto legittime e lacune dichiarate. Scala peggio della generazione di pagine da una lista di rami. È anche molto più difficile da fingere.

Retrieval, selezione e citazione sono tre filtri diversi

Una pagina può essere indicizzabile, venire recuperata per una query generata, superare il reranking, sostenere un’affermazione e non ricevere comunque una citazione visibile. Può anche essere citata senza posizionarsi bene per il prompt mostrato dall’utente: il ramo che l’ha fatta emergere può essere nascosto, oppure l’interfaccia può applicare una decisione di citazione separata.

Per questo gli studi sulle citazioni richiedono un linguaggio preciso. Un’analisi Surfer su 173.902 URL ha rilevato una forte associazione tra il posizionamento per rami ricostruiti e le citazioni nelle AI Overviews. Ma i rami erano inferiti con Gemini, non osservati dentro Google, e solo il 27% circa risultava stabile tra generazioni ripetute. Una correlazione utile, non una traccia causale.

Uno studio Ahrefs su 863.000 SERP ha trovato che il 37,1% delle pagine citate era nella top ten per la query visibile. Le citazioni rimanenti non dimostrano il fan-out: mostrano soltanto che il ranking per la query esatta è una spiegazione incompleta.

Tre affermazioni che non ripeteremmo a un cliente

“Questo tool rivela le query fan-out nascoste di Google”

Se l’interfaccia non espone le ricerche, il tool le sta simulando o ricostruendo. È utile per generare ipotesi. Chiamarle query osservate è un errore di categoria.

“Più rami copriamo, più citazioni otteniamo”

Autorevolezza, ranking per la query esatta, pertinenza, freschezza e qualità della fonte sono confondenti evidenti. Pubblicare più contenuti adiacenti può aumentare il recall; può anche diluire l’ownership e aggiungere distrattori.

“La query principale non conta più”

Google dichiara che le sue funzionalità AI usano i sistemi centrali di Search, e gli studi disponibili continuano a mostrare una relazione tra ranking organico e citazione. La posizione ragionevole è additiva: possono contare sia la forza sulla query principale sia la recuperabilità a livello di ramo.

Misurare l’output, etichettare l’inferenza

Il piano di retrieval interno è latente. Possiamo osservare risposte, citazioni, passaggi citati e talvolta ricerche visibili; di norma non possiamo osservare l’intero grafo delle query. Il disegno della ricerca deve partire da questo limite.

Costruisci coorti di prompt basate su compiti reali. Fissa Paese, lingua, classe di dispositivo, stato di login e superficie del prodotto. Ripeti le osservazioni. Conserva la struttura della risposta, gli URL citati e i passaggi che quegli URL sostengono davvero. Nel dataset separa quattro cose: ciò che l’interfaccia ha esposto, ciò che i dati di domanda supportano, ciò che i concorrenti forniscono con continuità e ciò che un modello ha soltanto simulato.

Poi misura prevalenza delle citazioni tra le esecuzioni, stabilità del citation set, quota di affermazioni supportate, coerenza dell’owner previsto e risultati di business. Uno screenshot è un esempio, non una baseline. Una citazione è un’osservazione, non una conversione.

Il report sulle funzionalità di AI generativa di Search Console può aggiungere dati per pagina, Paese, dispositivo e data, dove disponibile. Non espone comunque le sotto-query generate. Dati organici, visibilità generativa e osservazioni manuali delle citazioni vanno tenuti separati.

Il fan-out crea failure mode, non solo opportunità

Più retrieval può produrre query drift, propagare un’entità sbagliata, seppellire una buona evidenza in un pool rumoroso o combinare fonti riferite a periodi incompatibili. Più rami possono convergere su siti che ripetono tutti la stessa affermazione non dimostrata. Una citazione può essere pertinente al tema e non sostenere affatto la frase accanto alla quale compare.

Un paper AAAI del 2026 sull’attributable RAG affronta errori sulle entità implicite, potatura dei distrattori e sovra-citazione. L’implicazione SEO è scomoda ma utile: aggiungere “contenuti pertinenti” può rendere un sito una fonte migliore di distrattori.

Cosa cambia per un team SEO avanzato

La keyword research resta. Si aggiunge un livello di retrieval: si definisce il compito principale, si elencano le evidenze necessarie per completarlo, si distinguono le riscritture dalle vere decomposizioni e si assegna ogni bisogno stabile a una pagina owner, a una risorsa di supporto, a una fonte esterna oppure a “non creare”. Poi si verifica se l’owner previsto emerge con continuità e si mantengono solo le modifiche che migliorano visibilità o risultati di business.

Il passaggio strategico non è dalle keyword ai topic, e certamente non dalle keyword alle sotto-query indovinate. È dal considerare Search come un unico evento di ranking visibile al trattare la ricerca AI come un sistema di retrieval e sintesi solo parzialmente osservabile. Il vantaggio viene da evidenze migliori e misurazioni più rigorose. Non da un inventario editoriale più grande.